前回は、特徴量を追加したモデルBを試しました。
「情報を増やせば精度も上がるかもしれない。」
そう考えていましたが、期待した結果にはなりませんでした。
モデルCも試してみましたが、こちらも思うようには改善しません。
モデルAからモデルCまでを見比べながら考えているうちに、一つ気になり始めたことがありました。
「そもそも、AIに渡している情報で足りているんだろうか。」
今回は、そんな疑問から始まった「特徴量探索」の話を書こうと思います。
モデルCも試してみることにした
モデルBでは、特徴量を増やしてみました。
それでも思ったような結果にはなりませんでした。
そこで今度は、別の方向から試してみることにしました。
モデルCでは、少ないPatternも学習しやすくなるような設定を試しました。
結果はAccuracy0.104。
数字だけを見ると、モデルAやモデルBよりさらに低い結果になりました。
「これなら良さそう。」
と思えるような改善は、今回も見つかりませんでした。
モデルA〜Cを並べて考えてみる
ここで一度、モデルAからモデルCまでを並べて見てみることにしました。
モデルAでは、Pattern1に大きく偏る結果になりました。
モデルBでは、特徴量を増やしてみましたが、大きな変化はありませんでした。
モデルCでは、別の方向から試してみましたが、Accuracyはさらに下がりました。
一つずつ試してはみたものの、
「次はこのモデルを試そう。」
というアイデアは、だんだん思い付かなくなってきました。
もしかすると、モデルではないのかもしれない
モデルを変える。
特徴量を増やす。
学習方法を変える。
いろいろ試してみましたが、どれも決め手にはなりませんでした。
そこで考えたのが、
「AIに渡している情報そのものを見直した方がいいのではないか。」
ということです。
今使っている特徴量だけでは、スリットパターンを予測するための情報が足りないのかもしれません。
そう思うようになりました。
boat_race_DBを見返してみる
ありがたいことに、この頃には選手ごとのレース履歴をまとめたboat_race_DBを作っていました。
選手名。
コース。
スタートタイミング。
着順。
決まり手。
ほかにも、いろいろな情報が保存されています。
そのデータを見ながら、
「何か特徴量として使えそうなものはないかな。」
そんなことを考え始めました。
特徴量を探す時間が始まる
この頃から、AIを動かす時間よりも、データを見ている時間の方が長くなってきました。
例えば、
平均だけではなく中央値はどうだろう。
スタートのばらつきも使えるだろうか。
速いスタートを切る割合は特徴にならないだろうか。
気になったものは、とりあえず集計してみます。
結果を見ながら、
「これは使えそうかな。」
「これは違うかな。」
そんなことを繰り返していました。
まだ、どれを特徴量として採用するかは決めていません。
まずは候補を探してみる。
そんな毎日が続いていました。
まとめ
モデルAからモデルCまで試してみて、
次はモデルを変えるより、特徴量を考えてみよう。
そう思うようになりました。
すぐに答えが見つかるわけではありません。
それでも、データを見ながら一つずつ試していけば、新しい特徴量が見つかるかもしれません。
次回からは、boat_race_DBを使いながら、特徴量になりそうな情報を一つずつ調べていきます。
「これなら使えそう。」
「これは違うかもしれない。」
そんな試行錯誤が続きます。
あわせて読みたい
▪️競艇AI開発日記 第10話｜特徴量を増やせば精度は上がると思っていました
前回は、特徴量を追加したモデルBの結果についてまとめています。思いついた特徴量を追加した結果、精度はどう変化したのか。今回の記事につながる内容なので、まだ読んでいない方はこちらもぜひご覧ください。
